Helsinki University of Technology
|
|
- Aimo Härkönen
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Helsinki University of Technology Laboratory of Telecommunications Technology S Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy Luento: Optimaalinen ML-vastaanotto ja Viterbi-algoritmi prof. Timo Laakso Vastaanotto torstaisin klo Huone G210, puh Sähköposti: timo.laakso@hut.fi Kertausta: AWGN-kanava n(t) x(t)=σa k δ(t-kt s ) h T (t) Σ h R (t) t=kt s Σ a k δ k Edellisellä luennolla tarkasteltiin siirtojärjestelmää AWGNkanavassa Yksittäiselle pulssille johdettiin SNR:n maksimoiva vastaanottosuodin. Tämä on optimaalinen vastaanotin siinä mielessä että se minimoi bittivirhetodennäköisyyden (kun ainoa häiriö kanavassa on AWGN-kohina!) Jos lähetys- ja vastaanottosuodatin yhdessä täyttävät Nyquistin kriteerin, järjestelmä toimii myös jatkuvassa siirrossa (ISI = 0) 10/24/97 Teletekniikan laboratorio Sivu 2
2 Kertausta: Lineaarinen kanava n(t) h T (t) c(t) Σ h R (t) x(t)=σa k δ(t-kt s ) y(t) z(t) t=kt s Σ a k δ k MUTTA: jos kanavassa on lineaarista vääristymää (esim. taajuusriippuvaa vaimennusta), lineaarisella suodatuksella ei pystytä poistamaan ISIä ja vaimentamaan kohinaa samanaikaisesti niin että BER minimoituu (ISI on epälineaarinen datariippuva häiriö!) Tarvitaan epälineaarisia vastaanottomenetelmiä! 10/24/97 Teletekniikan laboratorio Sivu 3 Optimaalinen ML-vastaanotto Kun ISIä ei ole, riittää kun tarkastellaan yhtä symbolia kerrallaan ISI:n tapauksessa yksi lähetetty pulssi häiritsee viereisten pulssien vastaanottoa => kannattaa tarkastella usempaa kuin yhtä symbolia kerrallaan (sekvenssin vastaanotto) Voidaan johtaa maximum likelihood (ML) -tyyppinen optimaalinen sekvenssin vastaanottoalgoritmi joka minimoi sekvenssin a priori (etukäteis-) virhetodennäköisyyden Viterbi-algoritmi on ML-sekvenssi-ilmaisimen tehokas approksimatiivinen toteutus 10/24/97 Teletekniikan laboratorio Sivu 4
3 Optimaalinen PAM-signaalin ML-vastaanotto n(t) h T (t) x(t)=σa k δ(t-kt s ) c(t) Σ y(t) h R (t) z(t) z k t=kt s MLSD Σ a k δ k Tarkastellaan kuvan (kantataajuista) PAM-järjestelmää Lähetys- ja vastaanottosuodin voivat ovat sovitettu suodinpari jotka yhdessä täyttävät Nyquistin kriteerin (EI välttämätöntä!) Kanavassa on lineaarista vääristymää ja siten aina ISIä! Tarkastellaan K:n symbolin mittaisen sekvenssin ML-ilmaisua (Maximum Likelihood Sequence Detection, MLSD) 10/24/97 Teletekniikan laboratorio Sivu 5 PAM-signaalin ML-vastaanotto Vastaanotettu signaali on muotoa: K yt () = ah ( t kt) + nt () k= 1 k TC jossa symboli a k valitaan M-jäsenisestä aakkostosta, h TC (t) on lähetyspulssimuoto kanavan jälkeen ( = h T (t)*c(t) ) ja n(t) on xx valkoista Gaussin kohinaa. Vastaanottimen esiaste koostuu sovitetusta suotimesta ja näytteenotosta: z = y() t h ( t kt) = y() t h ( t kt) dt k R t= kt TC Sovitettu suodatin voidaan tulkita korrelaattoriksi! 10/24/97 Teletekniikan laboratorio Sivu 6
4 PAM-signaalin ML-vastaanotto Voidaan osoittaa, että sekvenssi z k, k=1,2,,k sisältää riittävän statistiikan (sufficient statistics) optimaaliseen ilmaisuun, eli saman informaation kuin vastaanotettu jatkuvaaikainen signaali Vastaanotettua sekvenssiä voidaan siis tarkastella K-ulotteisena vektorina johon on summautunut K-ulotteinen kohinavektori 10/24/97 Teletekniikan laboratorio Sivu 7 PAM-signaalin ML-vastaanotto Diskreettiaikainen malli siirtojärjestelmälle symbolitaajuudella: n k a k g k Σ zk MLSD z = a g + n = a g + n k k k k k m k m= Tässä g k on diskreettiaikainen vastine koko suodatusketjulle elilähetyssuotimelle, kanavalle ja vastaanottimelle! Voidaan myös osoittaa, että sekvenssiin summautunut diskreettiaikainen kohina on normaalijakautunutta k 10/24/97 Teletekniikan laboratorio Sivu 8
5 PAM-signaalin ML-vastaanotto Optimaalisen ML-sekvenssi-ilmaisun toteutus: 1) Generoi kaikki mahdolliset lähetyssekvenssit a k 2) Generoi vastaavat ulostulosekvenssit s k =a k *g k diskreetin mallin avulla 3) Vertaa s k :ta vastaanoton päätösmuuttujasekvensseihin z k ja valitse se lähetyssekvenssi a k joka on lähin Vertailukriteeri: euklidinen (neliöllinen) etäisyys: min min { } zk s 2 k = a, k =,,..., K k= { a, k =,,..., K} k= 1 k K k K z a g k k k 2 10/24/97 Teletekniikan laboratorio Sivu 9 PAM-signaalin ML-vastaanotto Toteutuksessa useita käytännön ongelmia: 1) Kanava tunnettava Ratkaisu: yleensä kanava estimoidaan erikseen 2) Kohina voi olla alunperin värillistä Ratkaisu: lisätään valkaisusuodatus (=> valkaistu sovitettu suodatin, Whitened Matched Filter, WMF) 3) Kun käytössä M-tasoinen aakkosto, mahdollisia sekvenssejä on M K kappaletta - yleensä tolkuton määrä (esim. M=2, K=10 => M K = 1024) Ratkaisu: Viterbi-algoritmi! 10/24/97 Teletekniikan laboratorio Sivu 10
6 Markov-ketjuista Markov-ketjuja käytetään mallintamaan tilakoneita (finite state machines) joiden tulosignaali on satunnainen. Seuraavassa niitä käytetään mallintamaan symbolien keskinäisvaikutusta. Markov-ketju {ψ k } on diskreettiaikainen ja -arvoinen satunnaisprosessi jonka tila {ψ k } toteuttaa ehdon p ( Ψk+ 1Ψk, Ψk 1,... ) = p( Ψk+ 1Ψk) Tilan todennäköisyys riippuu siis vain edellisestä tilasta (ja mahd. satunnaistekijästä, mutta ei aiemmista tiloista). 10/24/97 Teletekniikan laboratorio Sivu 11 Markov-ketjuista Markov-ketju on homogeeninen jos siirtymätodennäköisyys p(ψ k ψ k+1 ) ei riipu k:sta (vastaa stationäärisyyttä tai aikainvarianssia). Homogeenisen Markov-ketjun ominaisuudet määräytyvät tilanmuutostodennäköisyyksistä: ( ) = ( ) p ji p ji Ψ k+ 1 Ψ k (Vasen puoli lyhennetty merkintä.) 10/24/97 Teletekniikan laboratorio Sivu 12
7 Esimerkki Markov-ketjusta Siirtorekisteriprosessi (LM Kuva 3-7): Ψ k X k-1 X k-2 X k-m X z -1 k z -1 z -1 z -1 Tässä X k on diskreettiarvoinen satunnaismuuttuja joka on riippumaton edellisistä arvoista X k-1,,x k-m-1. Tilaksi määritellään X,..., 1 X { } Ψ k = k k M Järjestelmä toteuttaa Markov-ehdon. Kyseessä on vektoriarvoinen Markov-ketju. 10/24/97 Teletekniikan laboratorio Sivu 13 Symbolien keskinäisvaikutus Tarkastellaan symbolien ilmaisua kanavassa jossa on keskinäisvaikutusta. Tämä määräytyy kanavan impulssivasteesta (olettaen Nyquist-kriteerin toteutuvan ilman kanavaa). Oletetaan että näytetaajuus on sama kuin symbolitaajuus. Signaalia, jossa on symbolien keskinäisvaikutusta, voidaan mallintaa homogeenisellä Markov-ketjulla. Käytetään siirtorekisteriprosessia mallina (LM Kuva 9-14): X z -1 k z -1 z -1 z -1 h(x k,,x k-j ) = g(ψ k,ψ k+1 ) S k Noise Gen. Model Y k 10/24/97 Teletekniikan laboratorio Sivu 14
8 ...Symbolien keskinäisvaikutus Tila on ψ k ={X k-1,,x k-m } ja signaalinäyte saadaan tilanmuutosten funktiona: S = g( Ψ, Ψ + 1 ) k k k missä g(.,.) on muistiton funktio. Satunnaismuuttujat X k ovat riippumattomia ja niiden jakaumat ovat identtisiä. Impulssivaste h k on yleensä äärellinen kestoltaan ja niin on keskinäisvaikutuskin eli, S k = M i= 0 h X i k i 10/24/97 Teletekniikan laboratorio Sivu 15 LM Esimerkki 9-25: Tarkastellaan kanavaa jonka impulssivaste on = h k δ k δ k Tätä voidaan mallintaa Markov-ketjulla (LM Kuva 9-15): X k =A k z -1 X k-1 =A k-1 h(x k,x k-1 ) = X k X k-1 S k N k + Y k (0,0) (X k,s k )=(1,1) 0 1 (0,0.5) (1,1.5) Tilakaavion haaroihin on merkitty tulon A k =X k ja lähdön S k arvot (ennen kohinaa N k ). Huomaa että Markov-ketjun tila(vektori) on aina diskreettiarvoinen, vaikka järjestelmän lähtö olisikin jatkuva-arvoinen. 10/24/97 Teletekniikan laboratorio Sivu 16
9 Trellis-kaavio Toinen esitysmuoto Markov-ketjulle on trellis-kaavio (trellis = ristikko, säleikkö). Edellisellä esimerkille saadaan tällainen trellis-esitys (LM Kuva 9-17): k = 0 k = 1 k = 2 k = K-1 k = K Ψ = 0 Ψ = 1 (X k,s k )=(0,0.0) (1,1.0) (0,0.5) (1,1.5) 10/24/97 Teletekniikan laboratorio Sivu 17...Trellis-kaavio Kukin kaavion jakso edustaa yhtä symbolijaksoa. Kaaviossa nähdään kaikki mahdolliset tilat ja tilatransitiot eri hetkinä kaikille tulosekvensseille. Kaaviolla on alkutila ψ 0 = 0 ja lopputila ψ K = 0. Alkutilan ja lopputilan välillä on joukko polkuja. Kukin polku edustaa yhtä K:n pituista symbolisekvenssiä. Polun haaroista voidaan lukea vastaava signaali S k. Tämä olisi vastaanotettu, keskinäisvaikutusta sisältävä signaali kohinattomassa tapauksessa. 10/24/97 Teletekniikan laboratorio Sivu 18
10 Sekvenssi-ilmaisin Esim. jatkuva-arvoisen kanavan tapauksessa ilmaisimelle tulee signaali Y k = S k + N k. Sekvenssi-ilmaisin pyrkii tähän havaintoon perustuen päättämään mikä oli lähetetty symbolisekvenssi. HUOM! Kanavan malli tunnettava (miten kohinaton signaali riippuu tilamuuttujista) Trelliskaaviossa sekvenssin ilmaisu vastaa oikean polun etsimistä alku- ja lopputilan välillä. 10/24/97 Teletekniikan laboratorio Sivu 19 Metriikka ML-periaatteen mukaan valitaan se polku, joka on lähinnä havaittua sekvenssiä tietyn metriikan mukaisesti. Kun on kyse summautuvasta jatkuva-arvoisesta kohinasta, on etsittävä polku jolla on pienin euklidinen etäisyys havaittuun sekvenssiin. Kullekin polulle määritellään polun mitta (path metric), joka on ko. polkua vastaavien signaaliarvojen ja havaitun sekvenssin välinen euklidinen etäisyys. 10/24/97 Teletekniikan laboratorio Sivu 20
11 Metriikka Kukin trellis-kaavion jakso vastaa yhtä symbolijaksoa. Tämän jakson havaintonäyte on Y k. Kaavion eri haaroista nähdään kaikki mahdolliset signaali näytearvot symbolijaksolla k. Kullekin trellis-kaavion haaralle määritellään haaran mitta (branch metric): Jatkuva-arvoinen Gaussin kanava: euklidinen eli neliöllinen etäisyys Y k -S k 2 Binäärinen symmetrinen kanava: Hammingin etäisyys (bittivirheiden lukumäärä) d H (Y k,s k ) Polun mitta saadaan summaamalla haarojen mitat 10/24/97 Teletekniikan laboratorio Sivu 21 Sekvenssi-ilmaisimen toteuttaminen ML-sekvenssi-ilmaisin voitaisiin toteuttaa seuraavasti: 1) Lasketaan kaikkien haarojen mitat 2) Lasketaan kaikkien mahd. polkujen ( = haarakombinaatioiden) mitat ja etsitään pienin 3) Pienintä mittaa vastaavan polun tulosymbolit muodostavat ilmaistun sekvenssin Ongelma: Laskenta kasvaa eksponentiaalisesti sekvenssin pituuden mukana! 10/24/97 Teletekniikan laboratorio Sivu 22
12 Viterbi-algoritmi Viterbi-algoritmi on dynaamisen ohjelmoinnin periaatteen soveltamista polun mitan minimointiongelman tehokkaaseen ratkaisemiseen. Periaate: 1) Trelliskaavio käydään läpi jakso kerrallaan alkusolmusta loppusolmuun 2) Kussakin vaiheessa tiedetään lyhimmät (= pienimmän mitan) polut alkusolmusta ko. jakson kaikkiin tulosolmuihin. 3) Seuraavaksi etsitään lyhimmät polut ko. jakson lähtösolmuihin. Nämä löydetään käymällä läpi kaikki haarautumisvaihtoehdot. 10/24/97 Teletekniikan laboratorio Sivu 23...Viterbi-algoritmi Viterbi-algoritmin olennainen idea on polkujen karsiminen seuraavaan sääntöön perustuen: jos lyhin polku alkusolmusta loppusolmuun kulkee solmun x kautta, niin tämän polun mitta on kahden lyhimmmän osapolun (alkusolmu-x ja x- loppusolmu) mittojen summa. => N tilan (solmun) järjestelmässä riittää N polun ja niiden mittojen tallennus globaalin minimin löytämiseen! 10/24/97 Teletekniikan laboratorio Sivu 24
13 Viterbi-esimerkki Tarkastellaan Esimerkin 9-25 tilannetta jossa kanava on h k =δ k + 0.5δ k-1 ja mukana on summautuvaa Gaussin kohinaa. Vastaanotettu sekvenssi olkoon {0.2, 0.6, 0.9, 0.1}. Kaaviosta nähdään haarojen mitat ja alkupolkujen mitat kussakin vaiheessa. k = 0 k = 1 k = 2 k = 3 k = Ψ = Ψ = Havaintoarvot: /24/97 Teletekniikan laboratorio Sivu 25 Viterbi-esimerkki Ja näin se sujuu: y k -s k = polun mitta haaran mitta Päätökset /24/97 Teletekniikan laboratorio Sivu 26
14 Viterbi-algoritmin ominaisuuksia Viterbi-algoritmin kullakin jaksolla (alkua ja loppua lukuunottamatta) tehdään tietty laskentatyö. Siten laskennan määrä on verrannollinen sekvenssin pituuteen K. Esitetyssä muodossa Viterbi-algoritmi antaa tuloksena ilmaistun sekvenssin vastakun koko sekvenssi on käyty läpi. Tästä aiheutuu haitallista viivettä. Osittaisratkaisu voi löytyä jo aiemmin. Esim. ensimmäinen symboli selvisi jo toisen jakson aikana, koska tällöin kaikki alkupolut kulkivat saman haaran kautta. Viterbi-algoritmissa käy yleensä näin. Pitkää sekvenssiä ilmaistaessa alkupolut yleensä yhtyvät. Tuntuisi järkevältä päättää alkupään symboleista tietyn varoajan jälkeen. 10/24/97 Teletekniikan laboratorio Sivu 27 Katkaisusyvyys Käytännössä tehdään niin, että jaksoa k käsiteltäessä jakson k-d kohdalla karsitaan pidemmät polut ja ilmaistaan vastaava symboli. Kun katkaisusyvyys d valitaan riittävän suureksi, tämä ei juuri huononna lopputulosta. Tyypillinen valinta katkaisusyvyydelle on n. 5 kertaa kanavan impulssivasteen pituus 10/24/97 Teletekniikan laboratorio Sivu 28
15 Viterbi-algoritmin käyttö Viterbi-algoritmi sopii kaikkiin ML-ilmaisuongelmiin joissa signaalinmuokkausta voidaan mallintaa homogeenisena Markov-ketjuna kohinakomponentit ovat riippumattomia (=valkoista) Tärkeitä erikoistapauksia ovat ilmaisu Gaussin kanavassa jossa on lisäksi keskinäisvaikutusta eräiden koodausmenetelmien dekoodaus (mm. konvoluutioja trelliskoodaus) binäärisessä kanavassa purskeinen siirto häipyvässä radiokanavassa (esim. GSM) 10/24/97 Teletekniikan laboratorio Sivu 29
Helsinki University of Technology Laboratory of Telecommunications Technology
Helsini University of Technology Laboratory of Telecommunications Technology Kertausta: AWGN-anava n(t) S-38.211 Signaalinäsittely tietoliienteessä I Signal Processing in Communications (2 ov) Sysy 1998
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997. Luento: Pulssinmuokkaussuodatus
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 12. Luento: Kertausta,
LisätiedotLuento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a. Kuvaa diskreetin ajan signaaliavaruussymbolit jatkuvaan aikaan
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 5: Kantataajuusvastaanotin AWGNkanavassa I: Suodatus ja näytteistys a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.1-10.6.3]
LisätiedotSuodatus ja näytteistys, kertaus
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 6: Kantataajuusvastaanotin AWGN-kanavassa II: Signaaliavaruuden vastaanotin a Olav Tirkkonen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos a [10.6.3-10.6.6;
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Heikki Seppälä Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2015 Viikko 6: 1 Kalmanin suodatin Aiemmin käsitellyt
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1997 8. Luento: Kaiunpoisto
LisätiedotELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Laskuharjoitus 8 - ratkaisut 1. Tehtävässä on taustalla ajatus kantoaaltomodulaatiosta, jossa on I- ja Q-haarat, ja joka voidaan kuvata kompleksiarvoisena kantataajuussignaalina.
LisätiedotDynaamiset regressiomallit
MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2016 Tilastolliset aikasarjat voidaan jakaa kahteen
LisätiedotKoodausteoria, Kesä 2014
Koodausteoria, Kesä 2014 Topi Törmä Matemaattisten tieteiden laitos 3.3 Lineaarisen koodin dekoodaus Oletetaan, että lähetettäessä kanavaan sana c saadaan sana r = c + e, missä e on häiriön aiheuttama
LisätiedotAlgoritmit 1. Luento 9 Ti Timo Männikkö
Algoritmit 1 Luento 9 Ti 7.2.2017 Timo Männikkö Luento 9 Graafit ja verkot Kaaritaulukko, bittimatriisi, pituusmatriisi Verkon lyhimmät polut Floydin menetelmä Lähtevien ja tulevien kaarien listat Forward
LisätiedotTLT-5400 DIGITAALINEN SIIRTOTEKNIIKKA
TLT-5400 DIGITAALINEN SIIRTOTEKNIIKKA Tehtäväkokoelma: Päivitetty 16.3.2006 / MV 1. Piirrä digitaalisen siirtojärjestelmän yleinen lohkokaavio josta nähdään lähettimen ja vastaanottimen keskeiset toiminnot
LisätiedotJoonas Haapala Ohjaaja: DI Heikki Puustinen Valvoja: Prof. Kai Virtanen
Hävittäjälentokoneen reitin suunnittelussa käytettävän dynaamisen ja monitavoitteisen verkko-optimointitehtävän ratkaiseminen A*-algoritmilla (valmiin työn esittely) Joonas Haapala 8.6.2015 Ohjaaja: DI
LisätiedotKAISTANLEVEYDEN JA TEHON KÄYTÖN KANNALTA OPTIMAALINEN MODULAATIO TRELLISKOODATTU MODULAATIO (TCM)
1 KAISTANLEVEYDEN JA TEHON KÄYTÖN KANNALTA OPTIMAALINEN MODULAATIO TRELLISKOODATTU MODULAATIO (TCM) CPM & TCM-PERIAATTEET 2 Tehon ja kaistanleveyden säästöihin pyritään, mutta yleensä ne ovat ristiriitaisia
Lisätiedot9. Tila-avaruusmallit
9. Tila-avaruusmallit Aikasarjan stokastinen malli ja aikasarjasta tehdyt havainnot voidaan esittää joustavassa ja monipuolisessa muodossa ns. tila-avaruusmallina. Useat aikasarjat edustavat dynaamisia
LisätiedotA ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä.
Esimerkki otteluvoiton todennäköisyys A ja B pelaavat sarjan pelejä. Sarjan voittaja on se, joka ensin voittaa n peliä. Yksittäisessä pelissä A voittaa todennäköisyydellä p ja B todennäköisyydellä q =
LisätiedotKONVOLUUTIOKOODIT A Tietoliikennetekniikka II Osa 25 Kari Kärkkäinen Syksy 2015
1 KONVOLUUTIOKOODIT KONVOLUUTIOKOODERIN PERUSIDEA 2 Konvoluutiokoodi on lohkoton koodi. Pariteettibitit lasketaan liukuen informaatiobittijonon yli. Muistin pituudesta K käytetään nimitystä vaikutuspituus
LisätiedotTuringin koneen laajennuksia
Turingin koneen laajennuksia Turingin koneen määritelmään voidaan tehdä erilaisia muutoksia siten että edelleen voidaan tunnistaa tasan sama luokka kieliä. Moniuraiset Turingin koneet: nauha jakautuu k
LisätiedotJohdatus verkkoteoriaan 4. luento
Johdatus verkkoteoriaan 4. luento 28.11.17 Viikolla 46 läpikäydyt käsitteet Viikolla 47 läpikäydyt käsitteet Verkko eli graafi, tasoverkko, solmut, välit, alueet, suunnatut verkot, isomorfiset verkot,
LisätiedotMediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin
Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä
LisätiedotSIGNAALITEORIAN KERTAUSTA OSA 2
1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman
LisätiedotGraafit ja verkot. Joukko solmuja ja joukko järjestämättömiä solmupareja. eli haaroja. Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria
Graafit ja verkot Suuntamaton graafi: eli haaroja Joukko solmuja ja joukko järjestämättömiä solmupareja Suunnattu graafi: Joukko solmuja ja joukko järjestettyjä solmupareja eli kaaria Haaran päätesolmut:
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta jälkiosasta
811312A Tietorakenteet ja algoritmit 2018-2019 Kertausta jälkiosasta V Hashtaulukot ja binääriset etsintäpuut Hashtaulukot Perusajatus tunnettava Tiedettävä mikä on tiivistefunktio Törmäysongelman hallinta:
LisätiedotHelsinki University of Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.11 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications ( ov) Syksy 1997 6. Luento: Adaptiiviset
LisätiedotNollasummapelit ja bayesilaiset pelit
Nollasummapelit ja bayesilaiset pelit Kristian Ovaska HELSINGIN YLIOPISTO Tietojenkäsittelytieteen laitos Seminaari: Peliteoria Helsinki 18. syyskuuta 2006 Sisältö 1 Johdanto 1 2 Nollasummapelit 1 2.1
LisätiedotMartingaalit ja informaatioprosessit
4A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on tutustua satunnaisvektorin informaation suhteen lasketun ehdollisen odotusarvon käsitteeseen sekä oppia tunnistamaan, milloin annettu
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) on voimassa
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori = (,..., ). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotAlgoritmit 1. Luento 1 Ti Timo Männikkö
Algoritmit 1 Luento 1 Ti 10.1.2017 Timo Männikkö Luento 1 Algoritmi Algoritmin toteutus Ongelman ratkaiseminen Algoritmin tehokkuus Algoritmin suoritusaika Algoritmin analysointi Algoritmit 1 Kevät 2017
LisätiedotLuento 8: Epälineaarinen optimointi
Luento 8: Epälineaarinen optimointi Vektoriavaruus R n R n on kaikkien n-jonojen x := (x,..., x n ) joukko. Siis R n := Määritellään nollavektori 0 = (0,..., 0). Reaalisten m n-matriisien joukkoa merkitään
LisätiedotKombinatorinen optimointi
Kombinatorinen optimointi Sallittujen pisteiden lukumäärä on äärellinen Periaatteessa ratkaisu löydetään käymällä läpi kaikki pisteet Käytännössä lukumäärä on niin suuri, että tämä on mahdotonta Usein
LisätiedotEnnustaminen ARMA malleilla ja Kalmanin suodin
Ennustaminen ARMA malleilla ja Kalmanin suodin MS-C2128 Ennustaminen ja Aikasarja-analyysi, Lauri Viitasaari Matematiikan ja systeemianalyysin laitos Perustieteiden korkeakoulu Aalto-yliopisto Syksy 2017
LisätiedotHarjoitus 6 ( )
Harjoitus 6 (30.4.2014) Tehtävä 1 Määritelmän (ks. luentomoniste s. 109) mukaan yleisen, muotoa min f(x) s.t. g(x) 0 h(x) = 0 x X (1) olevan optimointitehtävän Lagrangen duaali on max θ(u,v) s.t. u 0,
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
LisätiedotT Syksy 2002 Tietojenkäsittelyteorian perusteet Harjoitus 8 Demonstraatiotehtävien ratkaisut
T-79.148 Syksy 2002 Tietojenkäsittelyteorian perusteet Harjoitus 8 Demonstraatiotehtävien ratkaisut 4. Tehtävä: Laadi algoritmi, joka testaa onko annetun yhteydettömän kieliopin G = V, Σ, P, S tuottama
LisätiedotS BAB ABA A aas bba B bbs c
T-79.148 Kevät 2003 Tietojenkäsittelyteorian perusteet Harjoitus 8 Demonstraatiotehtävien ratkaisut 4. Tehtävä: Laadi algoritmi, joka testaa onko annetun yhteydettömän kieliopin G = V, Σ, P, S) tuottama
LisätiedotBINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS A Tietoliikennetekniikka II Osa 11 Kari Kärkkäinen Syksy 2015
BINÄÄRISET TIEDONSIIRTOMENETELMÄT TÄRKEIMPIEN ASIOIDEN KERTAUS 536A Tietoliienneteniia II Osa Kari Käräinen Sysy 5 Kantataajuusjärjestelmä lähettää ±A -tasoisia symboleita T:n välein. Optimaalinen vastaanotin
Lisätiedot811312A Tietorakenteet ja algoritmit Kertausta jälkiosasta
811312A Tietorakenteet ja algoritmit 2016-2017 Kertausta jälkiosasta IV Perustietorakenteet Pino, jono ja listat tunnettava Osattava soveltaa rakenteita algoritmeissa Osattava päätellä operaatioiden aikakompleksisuus
Lisätiedot58131 Tietorakenteet (kevät 2009) Harjoitus 11, ratkaisuja (Topi Musto)
811 Tietorakenteet (kevät 9) Harjoitus 11, ratkaisuja (Topi Musto) 1. Bellmanin-Fordin algoritmin alustusvaiheen jälkeen aloitussolmussa on arvo ja muissa solmuissa on arvo ääretön. Kunkin solmun arvo
LisätiedotJos nyt on saatu havaintoarvot Ü ½ Ü Ò niin suurimman uskottavuuden
1.12.2006 1. Satunnaisjakauman tiheysfunktio on Ü µ Üe Ü, kun Ü ja kun Ü. Määritä parametrin estimaattori momenttimenetelmällä ja suurimman uskottavuuden menetelmällä. Ratkaisu: Jotta kyseessä todella
LisätiedotAlgoritmit 1. Luento 8 Ke Timo Männikkö
Algoritmit 1 Luento 8 Ke 1.2.2017 Timo Männikkö Luento 8 Järjestetty binääripuu Solmujen läpikäynti Binääripuun korkeus Binääripuun tasapainottaminen Graafit ja verkot Verkon lyhimmät polut Fordin ja Fulkersonin
LisätiedotA! Modulaatioiden luokittelu. Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet. ELEC-C7230 Tietoliikenteen siirtomenetelmät
ELEC-C7230 Tietoliikenteen siirtomenetelmät Luento 4: Digitaaliset modulaatiokonstellaatiot, symbolijonolähetteet Olav Tirkkonen, Jari Lietzen Aalto, Tietoliikenne- ja tietoverkkotekniikan laitos A! Modulaatioiden
LisätiedotLuento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja
Luento 10: Optimointitehtävien numeerinen ratkaiseminen; optimointi ilman rajoitusehtoja Seuraavassa esitetään optimointitehtävien numeerisia ratkaisumenetelmiä, eli optimointialgoritmeja, keittokirjamaisesti.
LisätiedotHavaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos
Datan käsittely Helsingin yliopisto, Fysiikan laitos kevät 2013 3. Datan käsittely Luennon sisältö: Havaintovirheet tähtitieteessä Korrelaatio Funktion sovitus Aikasarja-analyysi 3.1 Havaintovirheet Satunnaiset
LisätiedotVapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.
Vapaus Määritelmä Oletetaan, että v 1, v 2,..., v k R n, missä n {1, 2,... }. Vektorijono ( v 1, v 2,..., v k ) on vapaa eli lineaarisesti riippumaton, jos seuraava ehto pätee: jos c 1 v 1 + c 2 v 2 +
LisätiedotP(X = x T (X ) = t, θ) = p(x = x T (X ) = t) ei riipu tuntemattomasta θ:sta. Silloin uskottavuusfunktio faktorisoituu
1. Tyhjentävä tunnusluku (sucient statistics ) Olkoon (P(X = x θ) : θ Θ) todennäköisyysmalli havainnolle X. Datan funktio T (X ) on Tyhjentävä tunnusluku jos ehdollinen todennäköisyys (ehdollinen tiheysfunktio)
LisätiedotMartingaalit ja informaatioprosessit
6A Martingaalit ja informaatioprosessit Tämän harjoituksen tavoitteena on oppia tunnistamaan, milloin satunnaisprosessi on martingaali annetun informaatioprosessin suhteen ja milloin satunnaishetki on
LisätiedotRegressioanalyysi. Kuusinen/Heliövaara 1
Regressioanalyysi Kuusinen/Heliövaara 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Oletetaan, että haluamme selittää jonkin selitettävän muuttujan havaittujen arvojen vaihtelun joidenkin
Lisätiedotesimerkkejä erilaisista lohkokoodeista
6.2.1 Lohkokoodit tehdään bittiryhmälle bittiryhmään lisätään sovitun algoritmin mukaan ylimääräisiä bittejä [k informaatiobittiä => n koodibittiä, joista n-k lisäbittiä], käytetään yleensä merkintää (n,k)-koodi
LisätiedotSäätötekniikkaa. Säätöongelma: Hae (mahdollisesti ulostulon avulla) ohjaus, joka saa systeemin toimimaan halutulla tavalla
Säätötekniikkaa Säätöongelma: Hae (mahdollisesti ulostulon avulla) ohjaus, joka saa systeemin toimimaan halutulla tavalla servo-ongelma: ulostulon seurattava referenssisignaalia mahdollisimman tarkasti,
LisätiedotSeminaariesitelmä. Channel Model Integration into a Direct Sequence CDMA Radio Network Simulator
S-38.310 Tietoverkkotekniikan diplomityöseminaari Seminaariesitelmä Channel Model Integration into a Direct Sequence CDMA Radio Network Simulator Teemu Karhima 12.8.2002 Koostuu kahdesta eri kokonaisuudesta:
LisätiedotLuento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu
Luento 1: Optimointimallin muodostaminen; optimointitehtävien luokittelu Merkintöjä := vasen puoli määritellään oikean puolen lausekkeella s.e. ehdolla; siten että (engl. subject to, s.t.) vasemman puolen
LisätiedotELEC-C5210 Satunnaisprosessit tietoliikenteessä
ELEC-C5210 Satunnaisprosessit tietoliikenteessä Esa Ollila Aalto University, Department of Signal Processing and Acoustics, Finland esa.ollila@aalto.fi http://signal.hut.fi/~esollila/ Kevät 2017 E. Ollila
Lisätiedotmin x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-39 Optimointioppi Kimmo Berg 6 harjoitus - ratkaisut min x + x x + x = () x f = 4x, h = x 4x + v = { { x + v = 4x + v = x = v/ x = v/4 () v/ v/4
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 30. marraskuuta 2007 Antti Rasila () TodB 30. marraskuuta 2007 1 / 19 1 Lineaarinen regressiomalli ja suurimman uskottavuuden menetelmä Minimin löytäminen
Lisätiedot3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä
3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä Lineaarinen m:n yhtälön yhtälöryhmä, jossa on n tuntematonta x 1,, x n on joukko yhtälöitä, jotka ovat muotoa a 11 x 1 + + a 1n x n = b 1 a 21
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
Lisätiedot1 + b t (i, j). Olkoon b t (i, j) todennäköisyys, että B t (i, j) = 1. Siis operaation access(j) odotusarvoinen kustannus ajanhetkellä t olisi.
Algoritmien DP ja MF vertaileminen tapahtuu suoraviivaisesti kirjoittamalla kummankin leskimääräinen kustannus eksplisiittisesti todennäköisyyksien avulla. Lause T MF ave = 1 + 2 1 i
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 5.5.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
LisätiedotJohdatus graafiteoriaan
Johdatus graafiteoriaan Syksy 2017 Lauri Hella Tampereen yliopisto Luonnontieteiden tiedekunta 62 Luku 2 Yhtenäisyys 2.1 Polku 2.2 Lyhin painotettu polku 2.3 Yhtenäinen graafi 2.4 Komponentti 2.5 Aste
Lisätiedot9.5. Turingin kone. Turingin koneen ohjeet. Turingin kone on järjestetty seitsikko
9.5. Turingin kone Turingin kone on järjestetty seitsikko TM = (S, I, Γ, O, B, s 0, H), missä S on tilojen joukko, I on syöttöaakkosto, Γ on nauha-aakkosto, I Γ, O on äärellinen ohjeiden joukko, O S Γ
LisätiedotKKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot
LisätiedotVAIHEKOHERENTIT BINÄÄRISET KANTOAALTOMODULAATIOT JA NIIDEN VIRHETODENNÄKÖISYYDET
1 VAIHEKOHERENTIT BINÄÄRISET KANTOAALTOMODULAATIOT JA NIIDEN VIRHETODENNÄKÖISYYDET Millaiset aaltomuodot s 1 (t) ja s (t) valitaan erilaisten kantoaatomodulaatioiden toteuttamiseksi? SYMBOLIAALTOMUODOT
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
Lisätiedot110. 111. 112. 113. 114. 4. Matriisit ja vektorit. 4.1. Matriisin käsite. 4.2. Matriisialgebra. Olkoon A = , B = Laske A + B, 5 14 9, 1 3 3
4 Matriisit ja vektorit 4 Matriisin käsite 42 Matriisialgebra 0 2 2 0, B = 2 2 4 6 2 Laske A + B, 2 A + B, AB ja BA A + B = 2 4 6 5, 2 A + B = 5 9 6 5 4 9, 4 7 6 AB = 0 0 0 6 0 0 0, B 22 2 2 0 0 0 6 5
LisätiedotEpädeterministisen Turingin koneen N laskentaa syötteellä x on usein hyödyllistä ajatella laskentapuuna
Epädeterministisen Turingin koneen N laskentaa syötteellä x on usein hyödyllistä ajatella laskentapuuna. q 0 x solmuina laskennan mahdolliset tilanteet juurena alkutilanne lehtinä tilanteet joista ei siirtymää,
LisätiedotInduktiotodistus: Tapaus n = 0 selvä; ol. väite pätee kun n < m.
Väite: T (n) (a + b)n 2 + a. Induktiotodistus: Tapaus n = 0 selvä; ol. väite pätee kun n < m. Huomaa että funktion x x 2 + (m 1 x) 2 kuvaaja on ylöspäin aukeava paraabeli, joten funktio saavuttaa suurimman
LisätiedotLaskuharjoitus 5. Mitkä ovat kuvan 1 kanavien kapasiteetit? Kuva 1: Kaksi kanavaa. p/(1 p) ) bittiä lähetystä kohti. Voidaan
Informaatioteoria ELEC-C7 5 Laskuharjoitus 5 Tehtävä 5.3 Mitkä ovat kuvan kanavien kapasiteetit?.3.7 a b Kuva : Kaksi kanavaa b Binäärisessä Z-kanavassa virhe tapahtuu todennäköisyydellä p ja virhe todennäköisyydellä.
LisätiedotInformaation arvo. Ohjelmistotekniikan laitos OHJ-2550 Tekoäly, kevät
259 Informaation arvo Öljykenttään myydään porausoikeuksia, palstoja on n kappaletta, mutta vain yhdessä niistä on C euron edestä öljyä Yhden palstan hinta on C/n euroa Seismologi tarjoaa yritykselle tutkimustietoa
LisätiedotBijektio. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin jokaiselle alkiolle kuvautuu tasan yksi lähdön alkio.
Määritelmä Bijektio Oletetaan, että f : X Y on kuvaus. Sanotaan, että kuvaus f on bijektio, jos se on sekä injektio että surjektio. Huom. Voidaan päätellä, että kuvaus on bijektio, jos ja vain jos maalin
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
LisätiedotM =(K, Σ, Γ,, s, F ) Σ ={a, b} Γ ={c, d} = {( (s, a, e), (s, cd) ), ( (s, e, e), (f, e) ), (f, e, d), (f, e)
Tik-79.148 Kevät 2001 Tietojenkäsittelyteorian perusteet Laskuharjoitus 7 Demonstraatiotehtävien ratkaisut 1. Pinoautomaatti M = K Σ Γ s F missä K Σ s ja F on määritelty samalla tavalla kuin tilakoneellekin.
LisätiedotKompleksiluvut signaalin taajuusjakauman arvioinnissa
Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos
LisätiedotInversio-ongelmien laskennallinen peruskurssi Luento 2
Inversio-ongelmien laskennallinen peruskurssi Luento 2 Kevät 2012 1 Lineaarinen inversio-ongelma Määritelmä 1.1. Yleinen (reaaliarvoinen) lineaarinen inversio-ongelma voidaan esittää muodossa m = Ax +
LisätiedotP (X B) = f X (x)dx. xf X (x)dx. g(x)f X (x)dx.
Yhteenveto: Satunnaisvektorit ovat kuvauksia tn-avaruudelta seillaiselle avaruudelle, johon sisältyy satunnaisvektorin kaikki mahdolliset reaalisaatiot. Satunnaisvektorin realisaatio eli otos on jokin
LisätiedotDuaalisuus kokonaislukuoptimoinnissa. Mat , Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki
Duaalisuus kokonaislukuoptimoinnissa Mat-2.4191, Sovelletun matematiikan tutkijaseminaari, kevät 2008, Janne Karimäki Sisältö Duaalisuus binäärisissä optimointitehtävissä Lagrangen duaalisuus Lagrangen
LisätiedotOdotusarvo. Odotusarvon ominaisuuksia Satunnaismuuttujien ominaisuuksia 61
3.3. Satunnaismuuttujien ominaisuuksia 61 Odotusarvo Määritelmä 3.5 (Odotusarvo) Olkoon X diskreetti satunnaismuuttuja, jonka arvojoukko on S ja todennäköisyysfunktio f X (x). Silloin X:n odotusarvo on
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi TKK (c) Ilkka Mellin (2007) 1 Estimointi >> Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin
LisätiedotMONITIE-ETENEMISEN AIHEUTTAMA HÄIRIÖ
1 MONITIE-ETENEMISEN AIHEUTTAMA HÄIRIÖ Miten todellinen kanava poikkeaa AWGN-kanavasta? MONITIE-ETENEMISEN AIHEUTTAMA HÄIRIÖ Ongelana onitie-eteneisessä: sybolin kesto leviää ajan suhteen kanavan viivehajeen
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos K:n lähimmän naapurin menetelmä (K-Nearest neighbours) Tarkastellaan aluksi pientä (n = 9) kurjenmiekka-aineistoa, joka on seuraava:
Lisätiedot14. Luennon sisältö. Kuljetustehtävä. Verkkoteoria ja optimointi. esimerkki. verkkoteorian optimointitehtäviä verkon virittävä puu lyhimmät polut
JYVÄSKYLÄN YLIOPISTO 14. Luennon sisältö Kuljetustehtävä esimerkki Verkkoteoria ja optimointi verkkoteorian optimointitehtäviä verkon virittävä puu lyhimmät polut kevät 2012 TIEA382 Lineaarinen ja diskreetti
LisätiedotJohdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteeseen Estimointi TKK (c) Ilkka Mellin (2005) 1 Estimointi Todennäköisyysjakaumien parametrit ja niiden estimointi Hyvän estimaattorin ominaisuudet TKK (c) Ilkka Mellin (2005) 2 Estimointi:
LisätiedotSGN-1200 Signaalinkäsittelyn menetelmät, Tentti
SG-1200 Signaalinkäsittelyn menetelmät, Tentti 21.3.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle
Lisätiedotj n j a b a c a d b c c d m j b a c a d a c b d c c j
TEKNILLINEN KORKEAKOULU Tietoliikenne- ja tietoverkkotekniikan laitos S-38.115 Liikenneteorian perusteet, Kevät 2008 Demonstraatiot Luento 12 29.2.2008 D12/1 Tarkastellaan verkkoa, jossa on solmua ja linkkiä.
Lisätiedot805306A Johdatus monimuuttujamenetelmiin, 5 op
monimuuttujamenetelmiin, 5 op syksy 2018 Matemaattisten tieteiden laitos Lineaarinen erotteluanalyysi (LDA, Linear discriminant analysis) Erotteluanalyysin avulla pyritään muodostamaan selittävistä muuttujista
LisätiedotSovellettu todennäköisyyslaskenta B
Sovellettu todennäköisyyslaskenta B Antti Rasila 3. marraskuuta 2007 Antti Rasila () TodB 3. marraskuuta 2007 1 / 18 1 Varianssin luottamusväli, jatkoa 2 Bernoulli-jakauman odotusarvon luottamusväli 3
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D Mika Hirvensalo mikhirve@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2014 Mika Hirvensalo mikhirve@utu.fi Luentokalvot 3 1 of 16 Kertausta Lineaarinen riippuvuus
LisätiedotDynaamisten systeemien identifiointi 1/2
Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion
LisätiedotEstimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?
TKK (c) Ilkka Mellin (2004) 1 Johdatus tilastotieteeseen TKK (c) Ilkka Mellin (2004) 2 Mitä opimme? 1/4 Tilastollisen tutkimuksen tavoitteena on tehdä johtopäätöksiä prosesseista, jotka generoivat reaalimaailman
LisätiedotHelsinki University of Technology Laboratory of Telecommunications Technology
Helsinki University of Technology Laboratory of Telecommunications Technology S-38.211 Signaalinkäsittely tietoliikenteessä I Signal Processing in Communications (2 ov) Syksy 1998 1. Luento: Johdanto prof.
LisätiedotFunktiot. funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina.
Funktiot Tässä luvussa käsitellään reaaliakselin osajoukoissa määriteltyjä funktioita f : A R. Yleensä funktion määrittelyjoukko M f = A on jokin väli, muttei aina. Avoin väli: ]a, b[ tai ]a, [ tai ],
LisätiedotV. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen
V. V. Vazirani: Approximation Algorithms, luvut 3-4 Matti Kääriäinen Luento omatoimisen luennan tueksi algoritmiikan tutkimusseminaarissa 23.9.2002. 1 Sisältö Esitellään ongelmat Steiner-puu Kauppamatkustajan
LisätiedotMarkov-prosessit (Jatkuva-aikaiset Markov-ketjut)
J. Virtamo 38.3143 Jonoteoria / Markov-prosessit 1 Markov-prosessit (Jatkuva-aikaiset Markov-ketut) Tarkastellaan (stationaarisia) Markov-prosessea, oiden parametriavaruus on atkuva (yleensä aika). Siirtymät
LisätiedotProbabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto
Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto Esimerkki Tarkastelemme ilmiötä I, joka on a) tiettyyn kauppaan tulee asiakkaita
LisätiedotPuheenkoodaus. Olivatpa kerran iloiset serkukset. PCM, DPCM ja ADPCM
Puheenkoodaus Olivatpa kerran iloiset serkukset PCM, DPCM ja ADPCM PCM eli pulssikoodimodulaatio Koodaa jokaisen signaalinäytteen binääriseksi (eli vain ykkösiä ja nollia sisältäväksi) luvuksi kvantisointitasolle,
LisätiedotIIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen.
TL536DSK-algoritmit (J. Laitinen)..5 Välikoe, ratkaisut Millaisia ongelmia kvantisointi aiheuttaa signaalinkäsittelyssä? Miksi ongelmat korostuvat IIR-suodatinten tapauksessa? Tarkastellaan Hz taajuista
LisätiedotRegressioanalyysi. Vilkkumaa / Kuusinen 1
Regressioanalyysi Vilkkumaa / Kuusinen 1 Regressioanalyysin idea ja tavoitteet Regressioanalyysin idea: Halutaan selittää selitettävän muuttujan havaittujen arvojen vaihtelua selittävien muuttujien havaittujen
LisätiedotKertaus. x x x. K1. a) b) x 5 x 6 = x 5 6 = x 1 = 1 x, x 0. K2. a) a a a a, a > 0
Juuri 8 Tehtävien ratkaisut Kustannusosakeyhtiö Otava päivitetty 8.9.07 Kertaus K. a) 6 4 64 0, 0 0 0 0 b) 5 6 = 5 6 = =, 0 c) d) K. a) b) c) d) 4 4 4 7 4 ( ) 7 7 7 7 87 56 7 7 7 6 6 a a a, a > 0 6 6 a
LisätiedotEsimerkki: Tietoliikennekytkin
Esimerkki: Tietoliikennekytkin Tämä Mathematica - notebook sisältää luennolla 2A (2..26) käsitellyn esimerkin laskut. Esimerkin kuvailu Tarkastellaan yksinkertaista mallia tietoliikennekytkimelle. Kytkimeen
Lisätiedot